根据最新的Gartner报告，人工智能技术领域从神经网络等概念性概念到工业机器人和无人驾驶车辆等机器学习算法的硬件实现，呈现出多样化的发展态势。特别值得注意的是，自动驾驶车辆（无人机、无人驾驶汽车等）目前处于技术成熟度曲线的低谷期，而自动机器学习（AutoML）、可解释AI（XAI）、聊天机器人和其他会话式用户界面正处于过高期望的顶峰。总体而言，语音识别系统和基于显卡的进程加速（GPU）工具已达到生产力高原。
从工业应用的角度来看，最有前景的技术是用于创建自动化生产流程和日历规划的机器人软件。这些趋势与自2019年以来人们讨论最多的物联网（IoT）趋势相吻合。
自动机器学习（AutoML）是一种旨在通过一个按钮来“构建一个好模型”的技术。AutoML通常被定位为面向没有技术专长的商业代表的工具。因此，即使没有特别的技术教育，也可以解决数据科学问题。这类工具的受欢迎程度每天都在增长，但现在谈论AutoML作为一种独立的方法是为时过早的，尤其是在大型企业的背景下。
讨论的是可解释的人工智能（Explainable AI或XAI）。对于业务用户来说，理解决策背后的逻辑至关重要，这在历史上由易于解释的模型（如逻辑回归或决策树）主导的活动领域更为典型（信贷风险计算、定向营销、保险）。最近，像LIME和XSHAPE这样的方法正在缩小解释和准确性之间的差距，并且根据学术环境的活动来看，预计它们将进一步传播。
强化学习（RL）是一种通过强化进行学习的学习方法，本质上是连续A/B测试的发展，唯一的区别是不是有两个部分，而是有成千上万个部分，并且这个过程是连续进行的。它曾经只用于游戏，但近年来已被用于解决重大的商业问题。今天，专家们继续改进将RL用于商业的方法。市场上已经有很多成功的应用案例：
选择最合适的营销活动进行营销优化；在数字营销中个性化页面和邮件；在信贷风险中处理不良债务等。图分析是一套专注于分析实体之间关系结构的方法，而不是实体本身的属性。例如，社交网络中人与人之间的联系，通过这些账户进行转账的银行账户之间的联系，不同的所有权结构等。图分析方法用于分析关系结构，识别不明显的关系。就ML问题而言，图分析提供了构建更强大预测变量的机会——描述感兴趣实体邻域的变量。例如，可以回答公司的信用评级如何受到其交易对手评级的影响。